Variabilă Moderatoare vs Mediatoare: Cum Să Faci Diferența [+ Exemple]

Care este diferența dintre variabilele moderatoare și mediatoare? Iată răspunsul simplu: mediatoarele explică CUM sau DE CE apare un efect, în timp ce moderatoarele explică CÂND sau PENTRU CINE apare un efect.

Deși variabilele mediatoare și moderatoare joacă ambele roluri importante în înțelegerea relațiilor dintre variabile, acestea servesc scopuri fundamental diferite în cercetare. O variabilă mediatoare acționează ca un „intermediar" care transmite efectul de la variabila independentă la variabila dependentă, în timp ce o variabilă moderatoare schimbă intensitatea sau direcția acestei relații.

Înțelegerea acestei distincții este esențială pentru proiectarea studiilor de cercetare și interpretarea corectă a rezultatelor. Să explorăm diferențele cheie între aceste două tipuri de variabile și modul în care funcționează ele în analiza statistică.

Mediatoare vs. Moderatoare: Diferențe Cheie

Din punct de vedere determinist, principalele diferențe dintre mediatoare vs. moderatoare sunt următoarele:

• O variabilă mediatoare este motivul pentru efect și acționează ca un „intermediar" în relația dintre variabilele independente și dependente. Dacă variabila mediatoare este eliminată, legătura cauzală dintre variabilele independente și dependente dispare.
• O variabilă mediatoare TREBUIE să fie un rezultat cauzal al variabilei independente și un precursor cauzal al variabilei dependente. Cu alte cuvinte, o mediatoare explică mecanismul efectului.
• O variabilă moderatoare schimbă efectul (nivelul intensității, direcția) dintre variabilele independente și dependente.
• O variabilă moderatoare NU TREBUIE să fie efectul cauzal al variabilei independente.

Nu te voi învinovăți dacă ai dificultăți în a vedea diferența. Să luăm câte un pas pe rând și să înțelegem scopul fiecărei variabile, precum și să analizăm câteva exemple de mediatoare vs. moderatoare pentru a ne asigura că problema este rezolvată o dată pentru totdeauna.

Moderator vs Mediator: Tabel de Comparație Rapid

Pentru a te ajuta să distingi rapid între aceste două tipuri de variabile, iată o comparație cuprinzătoare:

Obiective de Învățare

În acest articol, vom clarifica principala diferență dintre mediatoare vs. moderatoare. Iată obiectivele cheie de învățare pe care ar trebui să le atingi:

• Ce este o variabilă mediatoare?
• Ce este o variabilă moderatoare?
• Diferențe cheie între variabilele mediatoare vs. moderatoare
• Metode statistice pentru testarea medierii și moderării
• 10+ exemple practice din cercetări reale
• Învață să identifici o variabilă mediatoare vs. moderatoare într-un studiu

Fără alte întârzieri, să începem!

Ce Este o Variabilă Mediatoare? [Definiție + Cum Funcționează]

Definiție: O variabilă mediatoare (sau mediator) explică „de ce" și „cum" din spatele relației dintre variabila independentă (X) și variabila dependentă (Y). Cu alte cuvinte, medierea dezvăluie mecanismul sau calea prin care apare un efect.

În analiza de mediere, variabila independentă nu influențează direct variabila dependentă, ci mai degrabă prin intermediul unei a treia variabile mediatoare sau „intermediar" între cele două. Cu alte cuvinte, dacă eliminăm variabila mediatoare, efectul cauzal dintre variabilele X și Y va înceta să existe.

Un model mediat constă din două căi: calea efectului direct (c sau c') de la X la Y, și calea efectului indirect (a și b) de la X → Me → Y, așa cum se vede în figura următoare.

Când vorbim despre mediere, modelul tău de cercetare trebuie să îndeplinească următoarele condiții:

• Variabilele X și Y (calea c) trebuie să fie semnificativ corelate înainte de testarea efectelor mediatoare.
• X, Me și Y (căile a și b) trebuie să prezinte corelații semnificative.
• Când este adăugată o variabilă de mediere, intensitatea între X și Y (calea c) ar trebui să scadă parțial sau complet (devenind c').
• Se așteaptă ca variabilele din analiza de mediere să partajeze varianță, deoarece atât X cât și Me explică variabila dependentă Y.

Notă: Corelațiile pot fi pozitive sau negative în funcție de modelul tău teoretic. Esențial este ca acestea să fie semnificative statistic.

Este important de reținut că corelația nu implică cauzalitate între variabile, dar corelația este o condiție necesară (deși nu suficientă) pentru stabilirea relațiilor cauzale în analiza de regresie.

Pe baza condițiilor de mai sus, putem spune că efectul unei variabile mediatoare asupra relației dintre variabilele independente și dependente poate fi parțial sau complet.

• Medierea parțială are loc când mediatorul explică parțial relația dintre X și Y. Efectul direct (calea c') scade dar rămâne semnificativ.

• Medierea completă are loc când efectul direct (calea c') devine nesemnificativ, ceea ce înseamnă că întreaga relație X→Y este explicată de calea indirectă prin mediator (căile a și b).

Cum Să Testezi Medierea: Metode Statistice

Testarea medierii necesită proceduri statistice specifice pentru a determina dacă o variabilă acționează cu adevărat ca mediator. Iată principalele abordări:

1. Abordarea în 4 Pași a lui Baron & Kenny (1986)

Metoda clasică Baron & Kenny implică patru pași de regresie:

Pasul 1: Testează dacă X prezice semnificativ Y (efectul total, calea c)

• Regresie: $Y = b_0 + b_1X + e$
• Rezultat: $b_1$ trebuie să fie semnificativ (p < 0,05)

Pasul 2: Testează dacă X prezice semnificativ Me (calea a)

• Regresie: $Me = b_0 + b_1X + e$
• Rezultat: $b_1$ trebuie să fie semnificativ (p < 0,05)

Pasul 3: Testează dacă Me prezice semnificativ Y când se controlează pentru X (calea b)

• Regresie: $Y = b_0 + b_1X + b_2Me + e$
• Rezultat: $b_2$ trebuie să fie semnificativ (p < 0,05)

Pasul 4: Compară efectul direct (calea c') cu efectul total (calea c)

• Mediere parțială: Dacă c' este mai mic decât c dar rămâne semnificativ
• Mediere completă: Dacă c' devine nesemnificativ când Me este adăugat

Notă importantă: Deși este popular istoric, abordarea Baron & Kenny are limitări. Cercetătorii moderni recomandă în schimb metodele de bootstrapping (Hayes, 2009).

2. Testul Sobel

Testul Sobel examinează dacă efectul indirect (a × b) este semnificativ diferit de zero:

Formula:

Unde:

• $a$ este coeficientul X → Me
• $b$ este coeficientul Me → Y (controlând pentru X)
• $SE_a$ și $SE_b$ = erorile standard

Limitare: Testul Sobel presupune o distribuție normală a efectului indirect, care este adesea încălcată în eșantioane mici. Bootstrapping-ul este acum preferat.

3. Metoda Bootstrapping (Hayes, 2009) - Recomandată

Bootstrapping-ul este standardul de aur pentru testarea medierii deoarece:

• Nu face presupuneri despre distribuția efectului indirect
• Oferă intervale de încredere mai precise
• Are putere statistică mai mare decât testul Sobel

Cum funcționează:

1. Reeșantionează datele tale cu înlocuire de mii de ori (de ex., 5.000 de iterații)
2. Calculează efectul indirect (a × b) pentru fiecare set de date reeșanționat
3. Creează un interval de încredere de 95% din distribuția efectelor indirecte
4. Dacă CI nu include zero, medierea este semnificativă

Interpretare:

• Dacă CI 95% exclude zero → Efect de mediere semnificativ
• Exemplu: CI [0,12; 0,54] indică mediere semnificativă

4. PROCESS Macro pentru SPSS, SAS și R

Cel mai simplu mod de a efectua analiza de mediere este folosind macro-ul PROCESS dezvoltat de Andrew Hayes. Vezi ghidul nostru pas cu pas pentru instalarea în SPSS pentru a începe.

Avantaje:

• Efectuează automat bootstrapping (recomandat: 5.000 de eșantioane)
• Oferă intervale de încredere corectate pentru bias
• Testează efectele directe și indirecte
• Disponibil pentru SPSS, SAS și R
• Gratuit pentru descărcare

Sintaxa PROCESS (SPSS):

PROCESS y=DV/x=IV/m=Mediator/model=4/boot=5000/conf=95.

Interpretarea output-ului:

• Efectul total (c): Efectul total al X asupra Y
• Efectul direct (c'): Efectul lui X asupra Y controlând pentru mediator
• Efectul indirect (a×b): Efectul transmis prin mediator
• Bootstrap CI: Dacă CI exclude zero, medierea este semnificativă

Pentru un tutorial detaliat despre analiza de mediere, vezi ghidul nostru despre cum să efectuezi analiza de mediere în SPSS.

Acum, să vedem ce este moderarea și când ar trebui folosită în cercetarea statistică.

Ce Este o Variabilă Moderatoare? [Definiție + Cum Funcționează]

Definiție: O variabilă moderatoare (sau moderator) este o a treia variabilă care afectează intensitatea sau direcția relației dintre variabilele independentă (X) și dependentă (Y). Moderarea este cuantificată prin coeficientul de regresie liniară al termenului de interacțiune.

În termeni simpli, moderatoarele răspund la întrebarea „CÂND" sau „PENTRU CINE" se menține relația dintre X și Y.

În regresie, termenul de interacțiune (cunoscut și ca termen produs) se referă la efectul observat într-o variabilă dependentă bazat pe modul în care o a treia variabilă (Mo) afectează relația dintre X și Y.

Diagrama arată cum moderatorul (Mo) influențează relația X→Y. O variabilă de moderare poate afecta intensitatea acestei relații și, mai rar, poate schimba direcția efectului (Whisman & McClelland, 2005).

Deoarece efectul de moderare testează practic varianța reziduală într-un model, este important să investigăm care sunt efectele principale dintre variabilele X și Y înainte de a testa dacă termenul de interacțiune este semnificativ (p-value < 0,05).

Pentru a face acest lucru, trebuie să verificăm coeficientul beta (β) care indică cât de mult variază relația dintre X și Y ca funcție a unei schimbări de o unitate în variabila Mo.

Este important de reținut că statistic, este dificil să detectăm efectele de moderare. Un motiv este că poți eșua să detectezi un efect care există de fapt (Eroare de Tip 2).

O modalitate de a evita această problemă este să folosim eșantionarea direcționată în loc de eșantionarea de conveniență. Cu alte cuvinte, eșantionul tău trebuie să conțină cazuri extrem comune, adică cazuri care sunt extreme în ambele niveluri. Ce înseamnă asta?

Aruncă o privire la următoarea diagramă care arată cum variabila moderatoare (Mo) schimbă intensitatea relației X→Y. Graficul afișează trei niveluri ale moderatorului (Scăzut, Mediu, Ridicat), demonstrând că pe măsură ce moderatorul crește, panta relației devine mai abruptă. Pentru analiza de moderare, trebuie să colectăm date care reprezintă variația între nivelurile moderatorului, cu valori distribuite normal.

Acest lucru poate fi destul de dificil dacă alegem eșantionarea de conveniență (fără model de selecție când eșantionăm o populație) pentru un studiu, cu excepția cazului în care dimensiunea eșantionului este suficient de mare pentru a se potrivi modelului.

O abordare mai bună ar fi eșantionarea direcționată unde putem alege membri ai unei populații, pe baza unor criterii de selecție specifice (de ex., vârstă, gen, etc.).

De exemplu, alegerea eșantionării direcționate când investigăm efectul vârstei asupra relației dintre citit și retenția informațiilor, ne permite să selectăm membri din diferite grupuri de vârstă reprezentând diferitele niveluri de intensitate (de ex., vârsta între 20-30, 31-40, etc.). Acest lucru ar fi foarte dificil folosind eșantionarea de conveniență unde respondenții sunt selectați pe baza convenienței și nu pe criterii specifice de selecție.

Cum Să Testezi Moderarea: Metode Statistice

Testarea moderării implică examinarea dacă relația dintre X și Y se schimbă ca funcție a unei a treia variabile (moderatorul). Iată cum să o faci:

1. Regresia Multiplă Ierarhică

Abordarea standard pentru testarea moderării folosește regresia ierarhică cu un termen de interacțiune:

Pasul 1: Centrează variabilele tale (recomandat)

• Creează versiuni centrate pe medie ale X și Mo
• $X_{centrat}$ este $X - Media(X)$
• $Mo_{centrat}$ este $Mo - Media(Mo)$
• De ce? Reduce multicoliniaritatea și ajută la interpretare

Pasul 2: Creează termenul de interacțiune

• $Interacțiune$ este $X_{centrat} \times Mo_{centrat}$

Pasul 3: Rulează regresia ierarhică

Modelul 1 (Numai efecte principale):

Modelul 2 (Adaugă interacțiunea):

Interpretare:

• Dacă $b_3$ este semnificativ (p < 0,05), există moderare
• Schimbarea $R^2$ de la Modelul 1 la Modelul 2 indică varianța explicată de moderare
• Coeficientul β al termenului de interacțiune arată mărimea efectului de moderare

2. Analiza Pantelor Simple

După găsirea unei interacțiuni semnificative, efectuează analiza pantelor simple pentru a înțelege natura moderării:

Ce face: Examinează relația dintre X și Y la diferite niveluri ale moderatorului:

• Mo scăzut (de obicei Media - 1 SD)
• Mo mediu (Media)
• Mo ridicat (Media + 1 SD)

Exemplu de interpretare:

• La suport social scăzut (Mo), stresul (X) prezice puternic depresia (Y): β = 0,65, p < 0,001
• La suport social ridicat (Mo), stresul prezice slab depresia: β = 0,22, p = 0,08
• Concluzie: Suportul social moderează relația stres-depresie

3. Vizualizarea Efectelor de Moderare

Întotdeauna reprezentă grafic interacțiunea pentru a ajuta la interpretare:

• Axa X: Variabila independentă
• Axa Y: Variabila dependentă
• Linii: Diferite niveluri ale moderatorului (Scăzut, Mediu, Ridicat)

Modele de interacțiune:

• Amplificare: Pantele devin mai abrupte pe măsură ce Mo crește
• Tamponare: Pantele devin mai plate pe măsură ce Mo crește
• Încrucișare: Liniile se intersectează, indicând inversarea direcției

4. PROCESS Macro pentru Moderare

La fel ca medierea, macro-ul PROCESS simplifică analiza de moderare. Pentru un tutorial complet pas cu pas, vezi ghidul nostru despre cum să efectuezi analiza de moderare în SPSS folosind PROCESS.

Sintaxa PROCESS (SPSS):

PROCESS y=DV/x=IV/w=Moderator/model=1/plot=1.

Avantaje:

• Centrează automat variabilele
• Calculează termenul de interacțiune
• Efectuează analiza pantelor simple
• Generează grafice de interacțiune
• Oferă regiuni Johnson-Neyman de semnificație

Output-ul include:

• Efectul de interacțiune: Testează dacă X × Mo este semnificativ
• Efecte condiționale: Efectul lui X asupra Y la Mo scăzut, mediu, ridicat
• Vizualizare: Grafic de interacțiune

5. Moderatori Categoriali

Când moderatorul este categorial (de ex., gen, grup de tratament):

Abordarea 1: Analiza Multi-Grup

• Împarte eșantionul pe grupuri de moderatori
• Rulează regresii separate pentru fiecare grup
• Compară coeficienții de regresie

Abordarea 2: Codarea Dummy

• Creează variabile dummy pentru categorii
• Testează interacțiunea cu variabilele dummy

Exemplu:

Unde Gen este codificat 0 pentru Masculin, 1 pentru Feminin

Dacă $b_3$ este semnificativ, relația X→Y diferă între bărbați și femei.

Considerații Importante

Putere Statistică: Efectele de moderare sunt notoriu dificil de detectat. S-ar putea să ai nevoie de:

• Dimensiuni mai mari ale eșantionului (n > 200 recomandat)
• Eșantionare direcționată pentru a asigura variația în moderator
• Măsurători fiabile pentru a reduce eroarea de măsurare

Mărimea Efectelor: Chiar și efectele de moderare semnificative tind să fie mici:

• $\Delta R^2$ de 0,01 este considerat mic
• $\Delta R^2$ de 0,04 este considerat mediu
• $\Delta R^2$ de 0,09 este considerat mare

Exemple de Moderator vs Mediator [Cazuri Reale de Cercetare]

Până acum am acoperit doar variabilele mediatoare vs. moderatoare dintr-un punct de vedere teoretic. Să analizăm exemple practice din cercetări reale pentru a te ajuta să identifici cu ce tip de variabilă ai de-a face în propriile tale studii.

Exemple de Mediatoare

Exemplul 1: Somn → Abilități Cognitive → Performanță la Muncă

Întrebarea de cercetare: De ce îmbunătățește somnul performanța la muncă?

• Variabila independentă (X): Calitatea somnului
• Variabila dependentă (Y): Performanța la muncă
• Mediatorul (Me): Abilitățile cognitive

De ce este mediator: Somnul nu îmbunătățește direct performanța la muncă. În schimb, somnul îmbunătățește abilitățile cognitive (memorie, atenție, rezolvarea problemelor), care la rândul lor îmbunătățesc performanța la muncă. Calea este: Somn → Funcție cognitivă mai bună → Performanță mai bună la muncă.

Test: Afectează somnul abilitățile cognitive? Da, somnul ajută funcțiile cerebrale să se recupereze. Prin urmare, abilitățile cognitive sunt un mediator care explică CUM afectează somnul performanța.

Exemplul 2: Exercițiu → Endorfine → Îmbunătățirea Dispoziției

Întrebarea de cercetare: Cum îmbunătățește exercițiul dispoziția?

• Variabila independentă (X): Frecvența exercițiului
• Variabila dependentă (Y): Dispoziția/bunăstarea emțională
• Mediatorul (Me): Nivelul de endorfine

De ce este mediator: Exercițiul declanșează eliberarea de endorfine (hormonii „bunăstării"), care apoi îmbunătățesc dispoziția. Dacă ai bloca producția de endorfine, exercițiul nu ar îmbunătăți atât de mult dispoziția.

Exemplul 3: Educație → Venit → Comportament de Screening Medical

Întrebarea de cercetare: De ce oamenii educați fac mai multe screening-uri medicale?

• Variabila independentă (X): Nivelul de educație
• Variabila dependentă (Y): Frecvența screening-urilor medicale
• Mediatorul (Me): Nivelul venitului

De ce este mediator: Educația conduce la locuri de muncă mai bine plătite, iar venitul mai mare oferă resurse pentru screening-uri medicale. Educație → Venit mai mare → Mai multe screening-uri medicale.

Test: Poate educația să afecteze venitul? Da, educația superioară conduce de obicei la locuri de muncă mai bine plătite. Prin urmare, venitul este un mediator.

Exemplul 4: Utilizarea Rețelelor Sociale → Frica de a Pierde Ceva (FOMO) → Anxietate

Întrebarea de cercetare: De ce crește rețelele sociale anxietatea?

• Variabila independentă (X): Utilizarea rețelelor sociale
• Variabila dependentă (Y): Nivelurile de anxietate
• Mediatorul (Me): FOMO (Frica de a Pierde Ceva)

De ce este mediator: Expunerea la rețelele sociale creează FOMO prin afișarea momentelor culminante ale altora, iar FOMO declanșează apoi anxietatea. Mecanismul este: Rețele sociale → FOMO → Anxietate.

Exemplul 5: Terapie → Restructurare Cognitivă → Reducerea Depresiei

Întrebarea de cercetare: Cum reduce terapia cognitiv-comportamentală (TCC) depresia?

• Variabila independentă (X): Ședințe de terapie TCC
• Variabila dependentă (Y): Simptomele depresiei
• Mediatorul (Me): Restructurarea cognitivă (schimbarea modelelor de gândire negativă)

De ce este mediator: TCC funcționează învățând pacienții să restructureze gândurile negative, iar această schimbare cognitivă reduce depresia. TCC → Modele de gândire modificate → Mai puțină depresie.

Exemple de Moderatori

Exemplul 6: Antrenament Fitness × Vârstă → Creșterea Masei Musculare

Întrebarea de cercetare: Depinde efectul antrenamentului fitness asupra creșterii masei musculare de vârstă?

• Variabila independentă (X): Intensitatea antrenamentului fitness
• Variabila dependentă (Y): Creșterea masei musculare
• Moderatorul (Mo): Vârsta

De ce este moderator: Antrenamentul fitness funcționează diferit pentru diferite grupe de vârstă. Tinerii (20 de ani) câștigă masă musculară mai ușor decât adulții mai în vârstă (60+ ani) cu același regim de antrenament. Vârsta nu explică CUM construiește fitness-ul mușchi; schimbă INTENSITATEA relației.

Test: Poate fitness-ul să afecteze vârsta ta? Nu, nu poți schimba vârsta prin exerciții. Prin urmare, vârsta este un moderator care afectează PENTRU CINE este cel mai eficient fitness-ul.

Exemplul 7: Stres × Suport Social → Sănătate Mentală

Întrebarea de cercetare: Schimbă suportul social modul în care stresul afectează sănătatea mentală?

• Variabila independentă (X): Nivelurile de stres
• Variabila dependentă (Y): Rezultatele sănătății mentale
• Moderatorul (Mo): Suportul social

De ce este moderator: Pentru persoanele cu suport social ridicat, stresul are un impact mai mic asupra sănătății mentale (efect de tamponare). Pentru cei cu suport social scăzut, același stres cauzează probleme de sănătate mentală mai severe. Suportul social schimbă CÂND/PENTRU CINE este dăunător stresul.

Exemplul 8: Diversitatea de Gen × Structura Proprietății → Divulgarea Corporativă

Întrebarea de cercetare: Depinde impactul diversității de gen asupra transparenței corporative de structura proprietății?

• Variabila independentă (X): Diversitatea de gen în consiliu
• Variabila dependentă (Y): Calitatea divulgării corporative
• Moderatorul (Mo): Structura proprietății (familială vs. publică)

De ce este moderator: Diversitatea de gen poate îmbunătăți divulgarea mai mult în companiile deținute public decât în cele deținute familial. Structura proprietății schimbă intensitatea relației diversitate-divulgare.

Test: Poate diversitatea de gen să afecteze structura proprietății? Nu, având mai multe femei în consiliu nu schimbă cine deține compania. Prin urmare, structura proprietății este un moderator.

Exemplul 9: Timp de Studiu × Inteligență → Performanța la Examen

Întrebarea de cercetare: Depinde beneficiul studiului de inteligența studentului?

• Variabila independentă (X): Timpul de studiu
• Variabila dependentă (Y): Scorurile la examen
• Moderatorul (Mo): Nivelul de inteligență (IQ)

De ce este moderator: Studenții cu IQ mai ridicat pot beneficia mai mult de fiecare oră de studiu decât studenții cu IQ mai scăzut. Inteligența schimbă PENTRU CINE este cel mai eficient studiul, dar nu explică CUM îmbunătățește studiul performanța.

Exemplul 10: Dozaj Medicament × Greutate Corporală → Răspuns la Tratament

Întrebarea de cercetare: Depinde efectul medicamentului de greutatea corporală a pacientului?

• Variabila independentă (X): Dozajul medicamentului
• Variabila dependentă (Y): Eficacitatea tratamentului
• Moderatorul (Mo): Greutatea corporală

De ce este moderator: Același dozaj poate fi foarte eficient pentru un pacient de 55 kg dar insuficient pentru un pacient de 100 kg. Greutatea corporală moderează CÂND/PENTRU CINE funcționează un anumit dozaj.

Test: Poate dozajul medicamentului să schimbe greutatea ta corporală? Nu direct în acest model. Greutatea corporală este un moderator care afectează relația doză-răspuns.

Exemplul 11: Program de Antrenament × Experiență Anterioară → Achiziția de Competențe

Întrebarea de cercetare: Depinde eficacitatea antrenamentului de experiența anterioară?

• Variabila independentă (X): Participarea la programul de antrenament
• Variabila dependentă (Y): Achiziția de noi competențe
• Moderatorul (Mo): Nivelul de experiență anterioară

De ce este moderator: Începătorii și experții învață diferit din același antrenament. Cursanții avansați pot beneficia mai mult de programe provocatoare, în timp ce începătorii au nevoie de antrenament fundamental. Experiența anterioară moderează PENTRU CINE funcționează cel mai bine fiecare abordare de antrenament.

Regula de Decizie Rapidă

Pentru a determina dacă o variabilă este mediatoare sau moderatoare, întreabă:

1. Poate X să cauzeze această variabilă?

   • DA → Potențial mediator
   • NU → Potențial moderator

2. Explică această variabilă CUM/DE CE afectează X pe Y?

   • DA → Mediator
   • NU → Verifică următoarea întrebare

3. Schimbă această variabilă CÂND/PENTRU CINE afectează X pe Y?

   • DA → Moderator

Concluzie

În concluzie, înțelegerea distincției dintre mediatoare și moderatoare este fundamentală pentru desfășurarea unei cercetări riguroase și construirea de modele teoretice solide.

Concluzii cheie:

• Mediatoarele explică CUM sau DE CE apare un efect (mecanismul)

  • Trebuie să fie cauzate de X și trebuie să cauzeze Y
  • Testate prin efecte indirecte și bootstrapping

• Moderatoarele explică CÂND sau PENTRU CINE apare un efect (condițiile)

  • Nu pot fi cauzate de X
  • Testate prin termeni de interacțiune în regresie

• Ambele tipuri de variabile oferă perspective valoroase dar servesc scopuri teoretice diferite

• Folosește tabelul de comparație și regulile de decizie din acest articol când ai îndoieli

• Analiza modernă folosește macro-ul PROCESS cu bootstrapping pentru mediere și regresia ierarhică pentru moderare

Când facem cercetare, construim teorie. Identificarea și testarea corectă a mediatoarelor și moderatoarelor ne ajută să înțelegem nu doar că există relații, ci cum, de ce, când și pentru cine apar ele.

Referințe

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420. https://doi.org/10.1080/03637750903310360

Whisman, M. A., & McClelland, G. H. (2005). Designing, Testing, and Interpreting Interactions and Moderator Effects in Family Research. Journal of Family Psychology, 19(1), 111–120. https://doi.org/10.1037/0893-3200.19.1.111